專利名稱：數(shù)據(jù)壓縮設(shè)備和方法，數(shù)據(jù)分析設(shè)備和方法，以及數(shù)據(jù)管理系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種數(shù)據(jù)壓縮設(shè)備和方法，一種數(shù)據(jù)分析設(shè)備和方法，以及最好用于大量數(shù)據(jù)壓縮的數(shù)據(jù)管理系統(tǒng)。
背景技術(shù)：
近年來(lái)，地球的有限資源以及過(guò)度的環(huán)境負(fù)擔(dān)導(dǎo)致了對(duì)機(jī)器維護(hù)的新方法的巨大需求，這種新方法著重于資源循環(huán)和降低環(huán)境影響，由此消耗型社會(huì)將轉(zhuǎn)換成可持續(xù)型社會(huì)。
傳統(tǒng)的機(jī)器維護(hù)采用了當(dāng)機(jī)器損壞后對(duì)其修復(fù)的糾正性維護(hù)，或者以預(yù)定的間隔執(zhí)行統(tǒng)一的預(yù)防性維護(hù)。糾正性維護(hù)需要大量的修復(fù)時(shí)間和成本。由于預(yù)防性維護(hù)的統(tǒng)一性，其產(chǎn)生了不必要的零件和原油浪費(fèi)，從而把更高的成本強(qiáng)加到用戶身上。另外，因?yàn)樾枰芗瘎趧?dòng)，預(yù)防性維護(hù)十分昂貴。未來(lái)社會(huì)需要改變這種傳統(tǒng)的維護(hù)方式，并轉(zhuǎn)換成預(yù)測(cè)性維護(hù)。
預(yù)測(cè)性維護(hù)中，通過(guò)了解操作過(guò)程中的負(fù)載和環(huán)境數(shù)據(jù)、過(guò)去的維護(hù)歷史數(shù)據(jù)庫(kù)、物理缺陷以及其他損耗來(lái)診斷機(jī)器的完好程度，并預(yù)測(cè)剩余壽命，以在早期預(yù)測(cè)機(jī)器的缺陷，并且提供一個(gè)安全運(yùn)行環(huán)境。
通常，在采用預(yù)測(cè)性維護(hù)的系統(tǒng)中，安裝在目標(biāo)機(jī)器中的傳感器檢測(cè)機(jī)器的運(yùn)行狀態(tài)，安裝在機(jī)器內(nèi)的數(shù)據(jù)采集器采集表示運(yùn)行狀態(tài)的原始數(shù)據(jù)，并把原始數(shù)據(jù)實(shí)時(shí)或以預(yù)定間隔發(fā)送到管理中心內(nèi)的計(jì)算機(jī)(例如，負(fù)責(zé)機(jī)器維護(hù)的公司服務(wù)部門)。一旦接收到原始數(shù)據(jù)，計(jì)算機(jī)分析此原始數(shù)據(jù)，并診斷機(jī)器的完好程度。
但是，數(shù)據(jù)采集器采集到的原始數(shù)據(jù)量是巨大的，通過(guò)遠(yuǎn)程通信從機(jī)器發(fā)送到管理中心，這可能是不可靠的而且成本很高。一種解決方案是壓縮原始數(shù)據(jù)，并把壓縮后的數(shù)據(jù)發(fā)送到管理中心。例如，專利參考文獻(xiàn)1公開(kāi)了一種把傳感器獲得的時(shí)序操作信號(hào)壓縮成直方圖數(shù)據(jù)或者頻率分布數(shù)據(jù)的方法。另外，專利參考文獻(xiàn)2公開(kāi)了一種根據(jù)故障概率(故障率曲線)來(lái)調(diào)整操作信號(hào)的發(fā)送間隔的方法，而且專利參考文獻(xiàn)3公開(kāi)了一種累計(jì)每單元時(shí)間的檢測(cè)頻率的方法，以便節(jié)省存儲(chǔ)器容量，并根據(jù)直方圖判斷目標(biāo)機(jī)器的狀態(tài)。
專利參考文獻(xiàn)1日本專利申請(qǐng)公開(kāi)No.2003-083848專利參考文獻(xiàn)2日本專利申請(qǐng)公開(kāi)No.2002-180502專利參考文獻(xiàn)3日本專利申請(qǐng)公開(kāi)No.HEI 10-273920發(fā)明內(nèi)容本發(fā)明要解決的技術(shù)問(wèn)題即使上述三個(gè)專利參考文獻(xiàn)1-3中的所述技術(shù)也很難精確地從壓縮數(shù)據(jù)中再現(xiàn)出原先的數(shù)據(jù)(即原始數(shù)據(jù))的特性。
可選地，也可以計(jì)算原始數(shù)據(jù)的動(dòng)態(tài)平均值，從而將原始數(shù)據(jù)壓縮成小容量數(shù)據(jù)，后者被發(fā)送到管理中心。但是，與上述專利參考文獻(xiàn)類似，這種方法也不能精確再現(xiàn)原始數(shù)據(jù)的特性。
解決該問(wèn)題的方案考慮到前述問(wèn)題，本發(fā)明的第一個(gè)目標(biāo)是提供一種用于壓縮大量數(shù)據(jù)的設(shè)備和方法，使得原始數(shù)據(jù)的特性能夠精確地從壓縮得到的數(shù)據(jù)中再現(xiàn)。
本發(fā)明的第二個(gè)目標(biāo)是提供一種用于對(duì)上述數(shù)據(jù)壓縮設(shè)備和方法壓縮得到的數(shù)據(jù)進(jìn)行分析的設(shè)備和方法，以及一種包括上述數(shù)據(jù)壓縮設(shè)備和數(shù)據(jù)分析設(shè)備的數(shù)據(jù)管理系統(tǒng)。
為了獲得上述目標(biāo)，提供了如權(quán)利要求1所述的數(shù)據(jù)壓縮設(shè)備，其包括用于檢測(cè)多個(gè)數(shù)據(jù)集的檢測(cè)裝置，每個(gè)數(shù)據(jù)集包括根據(jù)目標(biāo)的運(yùn)行而變化的n個(gè)參數(shù)值，其中n是一個(gè)自然數(shù)；還包括壓縮裝置，其用于通過(guò)把檢測(cè)裝置檢測(cè)到的多個(gè)數(shù)據(jù)集輸入到一個(gè)n維空間中，設(shè)置預(yù)定數(shù)量的神經(jīng)元，該數(shù)量小于n維空間內(nèi)的多個(gè)數(shù)據(jù)集的數(shù)量，在神經(jīng)元上執(zhí)行神經(jīng)網(wǎng)絡(luò)的無(wú)監(jiān)督學(xué)習(xí)以獲得一個(gè)神經(jīng)元模型，并利用多個(gè)數(shù)據(jù)集和神經(jīng)元模型來(lái)計(jì)算神經(jīng)元模型參數(shù)，從而對(duì)多個(gè)數(shù)據(jù)集進(jìn)行壓縮。
權(quán)利要求2的數(shù)據(jù)壓縮裝置的特征在于除了權(quán)利要求1的特征之外，所述壓縮裝置為多個(gè)數(shù)據(jù)集中的每個(gè)數(shù)據(jù)集把多個(gè)神經(jīng)元中到多個(gè)數(shù)據(jù)集中的每個(gè)數(shù)據(jù)集距離最短的那個(gè)神經(jīng)元確定為獲勝神經(jīng)元；對(duì)于每個(gè)獲勝神經(jīng)元來(lái)說(shuō)，神經(jīng)元模型參數(shù)包括表示每個(gè)獲勝神經(jīng)元的坐標(biāo)的坐標(biāo)數(shù)據(jù)，表示每個(gè)獲勝神經(jīng)元到多個(gè)數(shù)據(jù)集的平均距離的平均距離數(shù)據(jù)，以及表示每個(gè)獲勝神經(jīng)元被確定為獲勝神經(jīng)元的次數(shù)的權(quán)值數(shù)據(jù)。
權(quán)利要求3所述的數(shù)據(jù)壓縮設(shè)備的特征在于除了權(quán)利要求2的特征之外，當(dāng)無(wú)監(jiān)督學(xué)習(xí)結(jié)束后，所述壓縮裝置刪除從未被確定為獲勝神經(jīng)元的一個(gè)或多個(gè)神經(jīng)元。
除了權(quán)利要求1-3中任一的特征之外，權(quán)利要求4所述的數(shù)據(jù)壓縮設(shè)備還包括用于將神經(jīng)元模型參數(shù)發(fā)送到一個(gè)外部單元的發(fā)送裝置。
如權(quán)利要求5所述的一種數(shù)據(jù)分析設(shè)備包括接收裝置，其位于外部單元內(nèi)，用于接收從權(quán)利要求4限定的數(shù)據(jù)壓縮設(shè)備的發(fā)送裝置所發(fā)送的神經(jīng)元模型參數(shù)；以及分析裝置，其用于根據(jù)由所述接收裝置接收到的神經(jīng)元模型參數(shù)對(duì)多個(gè)數(shù)據(jù)集進(jìn)行分析。
權(quán)利要求6的數(shù)據(jù)分析設(shè)備的特征在于除了權(quán)利要求5所述的特征之外，所述分析裝置通過(guò)根據(jù)包括在神經(jīng)元模型參數(shù)內(nèi)的坐標(biāo)數(shù)據(jù)和權(quán)值數(shù)據(jù)來(lái)計(jì)算神經(jīng)元的動(dòng)態(tài)平均值，從而執(zhí)行分析過(guò)程。
權(quán)利要求7的數(shù)據(jù)壓縮設(shè)備的特征在于除了權(quán)利要求5所述的特征之外，所述分析裝置根據(jù)包括在神經(jīng)元模型參數(shù)內(nèi)的坐標(biāo)數(shù)據(jù)、平均距離數(shù)據(jù)和權(quán)值數(shù)據(jù)來(lái)計(jì)算多個(gè)數(shù)據(jù)集的密度分布，從而執(zhí)行分析過(guò)程。
權(quán)利要求8的數(shù)據(jù)管理系統(tǒng)包括權(quán)利要求4所限定的數(shù)據(jù)壓縮設(shè)備；以及權(quán)利要求5-7中任一所限定的數(shù)據(jù)分析設(shè)備。
權(quán)利要求9的數(shù)據(jù)管理系統(tǒng)的特征在于除了權(quán)利要求8所述的特征之外，所述目標(biāo)是一個(gè)施工機(jī)械，以及根據(jù)施工機(jī)械所執(zhí)行的操作而變化的n個(gè)參數(shù)值。
如權(quán)利要求10的一種數(shù)據(jù)壓縮方法包括如下步驟檢測(cè)多個(gè)數(shù)據(jù)集，每個(gè)數(shù)據(jù)集包括根據(jù)目標(biāo)運(yùn)行而變化的n個(gè)參數(shù)值，其中n是一個(gè)自然數(shù)；以及通過(guò)把檢測(cè)步驟中的子步驟檢測(cè)到的多個(gè)數(shù)據(jù)集輸入到一個(gè)n維空間中，設(shè)置預(yù)定數(shù)量的神經(jīng)元，該數(shù)量小于n維空間內(nèi)的多個(gè)數(shù)據(jù)集的數(shù)量，在神經(jīng)元上執(zhí)行神經(jīng)網(wǎng)絡(luò)的無(wú)監(jiān)督學(xué)習(xí)以獲得一個(gè)神經(jīng)元模型，并利用多個(gè)數(shù)據(jù)集和神經(jīng)元模型來(lái)計(jì)算神經(jīng)元模型參數(shù)，從而實(shí)現(xiàn)多個(gè)數(shù)據(jù)集的壓縮。
如權(quán)利要求11所述的數(shù)據(jù)壓縮方法的特征在于除了權(quán)利要求10的特征之外，壓縮步驟包括一個(gè)子步驟，其中將多個(gè)神經(jīng)元中到多個(gè)數(shù)據(jù)集中的每個(gè)數(shù)據(jù)集距離最短的那個(gè)神經(jīng)元確定為獲勝神經(jīng)元；并且對(duì)于每個(gè)獲勝神經(jīng)元來(lái)說(shuō)，神經(jīng)元模型參數(shù)包括表示每個(gè)獲勝神經(jīng)元坐標(biāo)的坐標(biāo)數(shù)據(jù)、表示每個(gè)獲勝神經(jīng)元到多個(gè)數(shù)據(jù)集的平均距離的平均距離數(shù)據(jù)，以及表示每個(gè)獲勝神經(jīng)元被確定為獲勝神經(jīng)元的次數(shù)的權(quán)值數(shù)據(jù)。
如權(quán)利要求12所述的數(shù)據(jù)壓縮方法的特征在于除了權(quán)利要求11的特征之外，壓縮步驟還包括一個(gè)子步驟，其中刪除從未被確定為獲勝神經(jīng)元的一個(gè)或多個(gè)神經(jīng)元。
如權(quán)利要求13所述的一種數(shù)據(jù)分析方法包括如下步驟獲取在權(quán)利要求12所限定的數(shù)據(jù)壓縮方法中得到的神經(jīng)元模型參數(shù)；以及根據(jù)上述獲取步驟中得到的神經(jīng)元模型參數(shù)來(lái)分析多個(gè)數(shù)據(jù)集。
如權(quán)利要求14所述的數(shù)據(jù)分析方法的特征在于除了權(quán)利要求13的特征之外，所述分析步驟通過(guò)根據(jù)包括在神經(jīng)元模型參數(shù)內(nèi)的坐標(biāo)數(shù)據(jù)和權(quán)值數(shù)據(jù)計(jì)算神經(jīng)元的動(dòng)態(tài)平均值來(lái)執(zhí)行。
如權(quán)利要求15所述的數(shù)據(jù)分析方法的特征在于除了權(quán)利要求13的特征之外，所述分析步驟通過(guò)根據(jù)包括在神經(jīng)元模型參數(shù)內(nèi)的坐標(biāo)數(shù)據(jù)、平均距離數(shù)據(jù)和權(quán)值數(shù)據(jù)計(jì)算多個(gè)數(shù)據(jù)集的密度分布來(lái)執(zhí)行。
本發(fā)明的有益效果根據(jù)本發(fā)明的數(shù)據(jù)壓縮設(shè)備和方法，多個(gè)數(shù)據(jù)集(原始數(shù)據(jù)段)可以被壓縮成一個(gè)神經(jīng)元模型參數(shù)，其表明了由少于數(shù)據(jù)集數(shù)目的預(yù)定數(shù)目的神經(jīng)元得到的一個(gè)神經(jīng)元模型的特征，每個(gè)數(shù)據(jù)集包括n個(gè)參數(shù)值。由于作為壓縮結(jié)果而得到的神經(jīng)元模型參數(shù)(壓縮數(shù)據(jù))表明了神經(jīng)元模型的特征，即多個(gè)數(shù)據(jù)集，其能夠從壓縮數(shù)據(jù)中精確地再現(xiàn)出原始數(shù)據(jù)的特征。
此外，根據(jù)本發(fā)明的數(shù)據(jù)分析設(shè)備和方法，通過(guò)使用神經(jīng)元模型參數(shù)可以分析原始數(shù)據(jù)集(原始數(shù)據(jù))。在這種情況下，分析每個(gè)神經(jīng)元的動(dòng)態(tài)平均值或者數(shù)據(jù)集的密度分布可以對(duì)目標(biāo)做出診斷。
另外，本發(fā)明的數(shù)據(jù)管理系統(tǒng)能夠同時(shí)保證上述數(shù)據(jù)壓縮設(shè)備和數(shù)據(jù)分析設(shè)備的優(yōu)點(diǎn)。
示意性地示出了根據(jù)本發(fā)明的一個(gè)實(shí)施例的數(shù)據(jù)管理系統(tǒng)的框圖；[圖2]示出了涉及特定操作表盤的引擎速度和進(jìn)氣壓力的輸入數(shù)據(jù)集的圖表；[圖3]示出了將圖2的引擎速度和進(jìn)氣壓力的輸入數(shù)據(jù)集組轉(zhuǎn)換成一個(gè)神經(jīng)元模型的圖表(其中已經(jīng)刪除了閑置的神經(jīng)元和弱神經(jīng)元)；[圖4]闡釋了考慮到神經(jīng)元權(quán)值的神經(jīng)元?jiǎng)討B(tài)平均值的圖表；[圖5]示出了通過(guò)考慮神經(jīng)元權(quán)值的神經(jīng)元?jiǎng)討B(tài)平均值而獲得的引擎速度和進(jìn)氣壓力之間的關(guān)系圖表；[圖6]直接從輸入數(shù)據(jù)集獲取的動(dòng)態(tài)平均值的圖表；[圖7]示出了輸入數(shù)據(jù)集的密度分布的圖表；[圖8]示出了根據(jù)本發(fā)明的一個(gè)實(shí)施例的數(shù)據(jù)壓縮和數(shù)據(jù)分析流程步驟順序的流程圖；[圖9]示出了數(shù)據(jù)預(yù)處理的流程步驟順序的流程圖；[圖10]示出了數(shù)據(jù)壓縮的流程步驟順序的流程圖；[圖11]示出了通過(guò)利用考慮神經(jīng)元的權(quán)值而獲取的動(dòng)態(tài)平均值進(jìn)行分析的流程步驟順序的流程圖；以及[圖12]示出了利用輸入數(shù)據(jù)集的密度分布進(jìn)行分析的流程步驟順序的流程圖。
附圖標(biāo)記說(shuō)明1數(shù)據(jù)管理系統(tǒng)2水力挖掘機(jī)(目標(biāo))3數(shù)據(jù)壓縮設(shè)備4傳感器(檢測(cè)裝置)5數(shù)據(jù)預(yù)處理部分(預(yù)處理裝置)6數(shù)據(jù)壓縮部分(壓縮裝置)7發(fā)送部分(發(fā)送裝置)8輸入設(shè)備(輸入裝置)10數(shù)據(jù)分析設(shè)備11接收部分(接收裝置)12數(shù)據(jù)分析部分(分析裝置)13判斷部分(判斷裝置)20監(jiān)視器(輸出裝置)具體實(shí)施方式
現(xiàn)在參考附圖來(lái)具體說(shuō)明本發(fā)明的一個(gè)實(shí)施例。
本實(shí)施例中的數(shù)據(jù)管理系統(tǒng)用于診斷一個(gè)機(jī)器例如施工機(jī)械是否存在故障。下面關(guān)于數(shù)據(jù)管理系統(tǒng)的具體說(shuō)明中將水力挖掘機(jī)作為施工機(jī)械。采用了本發(fā)明的數(shù)據(jù)管理系統(tǒng)的目標(biāo)不應(yīng)僅限于水力挖掘機(jī)，而且本發(fā)明可以根據(jù)操作或環(huán)境的變化而應(yīng)用到任何目標(biāo)上。
圖1是示意性地示出了本實(shí)施例中的數(shù)據(jù)管理系統(tǒng)的一個(gè)框圖。如圖1所示，數(shù)據(jù)管理系統(tǒng)1把在操作地點(diǎn)所使用的水力挖掘機(jī)2的相關(guān)數(shù)據(jù)發(fā)送到管理中心10(例如水力挖掘機(jī)2的維護(hù)管理公司的服務(wù)部門)內(nèi)遠(yuǎn)程控制水力挖掘機(jī)2的計(jì)算機(jī)，在管理中心10內(nèi)，計(jì)算機(jī)根據(jù)從水力挖掘機(jī)2接收到的數(shù)據(jù)來(lái)估計(jì)并判斷水力挖掘機(jī)2的狀態(tài)。為此，本實(shí)施例中的數(shù)據(jù)管理系統(tǒng)1主要包括安裝在水力挖掘機(jī)2內(nèi)的一個(gè)機(jī)載數(shù)據(jù)壓縮設(shè)備3以及放置在管理中心內(nèi)的數(shù)據(jù)分析設(shè)備10。
數(shù)據(jù)壓縮設(shè)備3的主要部分包括傳感器4，一個(gè)數(shù)據(jù)預(yù)處理部分(預(yù)處理裝置)5，一個(gè)數(shù)據(jù)壓縮部分(壓縮裝置)6，一個(gè)發(fā)送部分(發(fā)送裝置)7，以及輸入設(shè)備(例如鍵盤或鼠標(biāo))8。傳感器4和數(shù)據(jù)預(yù)處理部分5的組合起到檢測(cè)裝置的作用。為了實(shí)現(xiàn)數(shù)據(jù)預(yù)處理部分5和數(shù)據(jù)壓縮部分6的功能，處理程序被安裝在未示出的計(jì)算機(jī)的ECU(電子控制單元)內(nèi)。ECU具有一個(gè)輸入/輸出設(shè)備，一個(gè)存儲(chǔ)單元(一個(gè)存儲(chǔ)器，例如RAM或ROM)，一個(gè)CPU(中央處理單元)以及其他設(shè)備。
傳感器4對(duì)應(yīng)了n個(gè)參數(shù)(變化因素)中的每個(gè)參數(shù)，并且在水力挖掘機(jī)2的操作期間，其檢測(cè)(測(cè)量)隨水力挖掘機(jī)2的操作而變化的參數(shù)值x1，x2，x3，...，xn。
每個(gè)傳感器4可直接檢測(cè)相應(yīng)的參數(shù)值或者可以通過(guò)一種算法操作來(lái)處理檢測(cè)到的值，以獲得相應(yīng)參數(shù)的計(jì)算值或估計(jì)值。其中，水力挖掘機(jī)2的相關(guān)參數(shù)例如是引擎速度、引擎油溫、引擎油壓、引擎冷卻水溫、進(jìn)氣壓力(增壓之后)、燃料消耗量、廢氣溫度、動(dòng)力改變壓力、水力油壓、水力油溫、水力油粒子計(jì)數(shù)、以及引擎運(yùn)行時(shí)間，這些參數(shù)根據(jù)水力挖掘機(jī)2的操作而變化。
數(shù)據(jù)預(yù)處理部分5通過(guò)上述處理程序(數(shù)據(jù)預(yù)處理程序)來(lái)實(shí)現(xiàn)，此程序執(zhí)行圖9中的流程步驟。也即，程序首先判斷引擎是否在運(yùn)行(步驟T10)，如果判斷結(jié)果是肯定的，進(jìn)一步判斷引擎油溫是否是預(yù)定值或者更高(步驟T20)。如果引擎油溫達(dá)到了預(yù)定值或者更高，程序獲取每個(gè)傳感器4檢測(cè)到的原始數(shù)據(jù)(步驟T30)，然后判斷引擎是否停止(步驟T40)。換句話說(shuō)，程序持續(xù)獲取原始數(shù)據(jù)，直到引擎停止為止。當(dāng)引擎停止時(shí)，程序?qū)τ诿總€(gè)操作表盤將原始數(shù)據(jù)分類(步驟T50)，為每個(gè)操作表盤創(chuàng)建一個(gè)文件，并存儲(chǔ)原始數(shù)據(jù)(步驟T60)。操作表盤表示操作者根據(jù)操作過(guò)程(操作負(fù)載)設(shè)置引擎速度的表盤開(kāi)關(guān)。
現(xiàn)在來(lái)詳細(xì)說(shuō)明數(shù)據(jù)預(yù)處理部分5。
如果水力挖掘機(jī)2的引擎開(kāi)始運(yùn)轉(zhuǎn)，并且引擎油溫變?yōu)樵O(shè)定值或更高(也即，當(dāng)水力挖掘機(jī)2開(kāi)始正常操作時(shí))，數(shù)據(jù)預(yù)處理部分5獲取(采集)由傳感器4以預(yù)設(shè)周期(例如1秒)檢測(cè)到的參數(shù)值構(gòu)成的數(shù)據(jù)集，并把獲取的數(shù)據(jù)集存儲(chǔ)到一個(gè)存儲(chǔ)單元中。根據(jù)來(lái)自檢測(cè)引擎速度的傳感器的數(shù)據(jù)可判斷引擎是否正在運(yùn)轉(zhuǎn)，而根據(jù)來(lái)自檢測(cè)引擎油溫的傳感器的數(shù)據(jù)可判斷引擎機(jī)器油溫是否變?yōu)樵O(shè)定值或更高值。本實(shí)施例中，獲取來(lái)自傳感器4的數(shù)據(jù)的周期設(shè)定為1秒，但通過(guò)輸入設(shè)備8的輸入可以設(shè)定為任意長(zhǎng)度。
數(shù)據(jù)預(yù)處理部分5從水力挖掘機(jī)2的操作開(kāi)始到結(jié)束(即當(dāng)引擎停止時(shí))持續(xù)地把由參數(shù)值構(gòu)成的數(shù)據(jù)集存儲(chǔ)到存儲(chǔ)單元中。當(dāng)水力挖掘機(jī)2的引擎停止后，數(shù)據(jù)預(yù)處理部分5把存儲(chǔ)在存儲(chǔ)單元內(nèi)的多個(gè)數(shù)據(jù)集對(duì)于每個(gè)操作表盤進(jìn)行分類，以創(chuàng)建關(guān)于每個(gè)操作表盤的文件，并把數(shù)據(jù)集存儲(chǔ)在相應(yīng)的文件內(nèi)。
因此，存儲(chǔ)在每個(gè)文件內(nèi)的數(shù)據(jù)集的數(shù)量是從幾千到上萬(wàn)的巨大數(shù)量。例如，圖2是一個(gè)圖表，其繪制出一個(gè)特定操作表盤的引擎速度和進(jìn)氣壓力之間的關(guān)系的數(shù)據(jù)集(即原始數(shù)據(jù))，如圖所示，數(shù)據(jù)集的數(shù)量是非常巨大的。就此，圖2中關(guān)于引擎速度的軸(橫坐標(biāo))表示正常運(yùn)行范圍內(nèi)的引擎速度，類似地，圖3、5、6和7內(nèi)的橫坐標(biāo)表示正常運(yùn)行范圍內(nèi)的引擎速度。
如上所述，數(shù)據(jù)壓縮部分6的功能由一個(gè)預(yù)設(shè)程序(數(shù)據(jù)壓縮程序)來(lái)實(shí)現(xiàn)，并且數(shù)據(jù)壓縮程序執(zhí)行圖10所示流程圖中的流程步驟。具體地說(shuō)，此程序讀取一操作表盤的文件(步驟U10)，然后在n維空間內(nèi)隨機(jī)設(shè)置預(yù)定數(shù)量的神經(jīng)元(步驟U20)，并執(zhí)行神經(jīng)元的學(xué)習(xí)(步驟U30)。學(xué)習(xí)過(guò)程重復(fù)執(zhí)行預(yù)定的次數(shù)，在學(xué)習(xí)結(jié)束后刪除空閑神經(jīng)元和弱神經(jīng)元(稍后詳述)(步驟U40)。之后，該程序創(chuàng)建一個(gè)經(jīng)過(guò)壓縮的文件數(shù)據(jù)(下文簡(jiǎn)稱為壓縮文件)，其中包括神經(jīng)元的n維坐標(biāo)、平均距離和權(quán)值數(shù)據(jù)(步驟U50)。對(duì)于每個(gè)操作表盤均執(zhí)行上述從步驟U10到U50的流程(步驟60)。
下面將詳細(xì)描述數(shù)據(jù)壓縮部分6。
數(shù)據(jù)壓縮部分6將數(shù)量巨大的數(shù)據(jù)集壓縮成數(shù)量非常少的數(shù)據(jù)段。本實(shí)施例的特征在于使用了自組織映射(SOM)作為數(shù)據(jù)壓縮方法，這是神經(jīng)網(wǎng)絡(luò)的一種無(wú)監(jiān)督學(xué)習(xí)方法。
如果沒(méi)有明確的目標(biāo)值(即答案)，無(wú)監(jiān)督學(xué)習(xí)僅使用已輸入的數(shù)據(jù)集(下文稱為輸入數(shù)據(jù)集)來(lái)執(zhí)行，其根據(jù)下面闡釋的一些原理來(lái)實(shí)現(xiàn)。自組織映射由輸入階段(輸入數(shù)據(jù)，即一組輸入數(shù)據(jù)集)以及競(jìng)爭(zhēng)階段(一組神經(jīng)元)組成。自組織映射通過(guò)學(xué)習(xí)算法實(shí)現(xiàn)，通過(guò)把網(wǎng)絡(luò)內(nèi)相似的數(shù)據(jù)集組互相靠近設(shè)置，其自動(dòng)提取隱含在輸入數(shù)據(jù)集內(nèi)的特征，換句話說(shuō)，自動(dòng)找到輸入數(shù)據(jù)集內(nèi)的相似性。
下文將說(shuō)明數(shù)據(jù)壓縮部分6內(nèi)的數(shù)據(jù)壓縮方法。這部分著重于存儲(chǔ)在與一個(gè)特定操作表盤相關(guān)的文件內(nèi)的輸入數(shù)據(jù)集的壓縮，該文件由數(shù)據(jù)預(yù)處理部分5所創(chuàng)建，但與其他操作表盤相關(guān)的文件內(nèi)的數(shù)據(jù)集也用相同的方式進(jìn)行壓縮。
(1)學(xué)習(xí)條件的確定首先，確定學(xué)習(xí)條件，包括神經(jīng)元個(gè)數(shù)k，初始學(xué)習(xí)速率α0，初始鄰域半徑Nc0，重復(fù)執(zhí)行學(xué)習(xí)的總次數(shù)T，這些條件對(duì)于計(jì)算神經(jīng)元所代表的輸入數(shù)據(jù)集組的分布是必需的。這些學(xué)習(xí)條件的設(shè)置可以用輸入設(shè)備8預(yù)先任意確定。輸入數(shù)據(jù)集的配置如下面公式(1)所示。神經(jīng)元的個(gè)數(shù)k遠(yuǎn)小于輸入數(shù)據(jù)集的數(shù)量l(例如，k是幾十，即k＜＜l)。
x1＝(x11，x12，…，x1n)x2＝(x21，x22，…，x2n) (1)…xl＝(xl1，xl2，…，xln)
其中，n表示參數(shù)的個(gè)數(shù)，l表示輸入數(shù)據(jù)集的個(gè)數(shù)。
(2)確定輸入階段和競(jìng)爭(zhēng)階段的初始權(quán)值接下來(lái)，數(shù)據(jù)壓縮部分6用隨機(jī)數(shù)來(lái)對(duì)步驟(1)中n維空間內(nèi)的所有神經(jīng)元集進(jìn)行設(shè)置(即隨機(jī)地設(shè)置)，并相對(duì)于所有神經(jīng)元用隨機(jī)數(shù)來(lái)確定輸入階段(輸入數(shù)據(jù)集組)和競(jìng)爭(zhēng)階段(神經(jīng)元組)之間的初始連接權(quán)值mi(即隨機(jī)地確定)。初始連接權(quán)值mi的配置用下列公式(2)表示mi＝(mi1，mi2，…，min)，i＝1，2，…，k(2)其中，mi表示第i個(gè)神經(jīng)元的權(quán)值向量，i表示神經(jīng)元的序數(shù)，而k表示初始設(shè)置的神經(jīng)元個(gè)數(shù)。
(3)確定輸入數(shù)據(jù)集的向量隨后，數(shù)據(jù)壓縮部分6為每個(gè)輸入數(shù)據(jù)集確定一個(gè)向量xj。向量xj的配置如下列公式(3)所示xj＝(xj1，xj2，…，xjn)，j＝1，2，…，l(3)其中，xj表示第j個(gè)數(shù)據(jù)集的向量，j表示數(shù)據(jù)集的序數(shù)，而l表示數(shù)據(jù)集的個(gè)數(shù)。
(4)計(jì)算神經(jīng)元和輸入數(shù)據(jù)集的相似性數(shù)據(jù)壓縮部分6計(jì)算第i個(gè)神經(jīng)元和第j個(gè)數(shù)據(jù)集之間的歐氏距離di。歐氏距離di可以用下列公式(4)來(lái)計(jì)算di=Σp=1n(xjp-mip)2,p=1,2,···,n---(4)]]>其中，p表示參數(shù)的序數(shù)，n表示參數(shù)的個(gè)數(shù)。
(5)確定獲勝神經(jīng)元和鄰域半徑步驟(4)中歐氏距離di最小的神經(jīng)元(即最相似的神經(jīng)元)被確定為輸入數(shù)據(jù)集的獲勝神經(jīng)元xj。同時(shí)，獲勝神經(jīng)元周圍的預(yù)設(shè)鄰域半徑Nct內(nèi)的一個(gè)或多個(gè)神經(jīng)元被確定為相鄰神經(jīng)元。
鄰域半徑Nct可以用下列公式(5)確定Nct=Nc0(1-tT)---(5)]]>其中，Nc0表示初始鄰域半徑，t表示當(dāng)前的學(xué)習(xí)次數(shù)，而T表示重復(fù)執(zhí)行學(xué)習(xí)的總次數(shù)。
(6)獲勝神經(jīng)元和鄰域神經(jīng)元的學(xué)習(xí)獲勝神經(jīng)元mc的權(quán)值用學(xué)習(xí)速率αt更新，獲勝神經(jīng)元靠近相應(yīng)的輸入數(shù)據(jù)集。每個(gè)被選擇的鄰域神經(jīng)元也靠近相應(yīng)的輸入數(shù)據(jù)集，其更新量小于獲勝神經(jīng)元的更新量。更新量的大小取決于獲勝神經(jīng)元和鄰域神經(jīng)元之間的距離以及鄰域函數(shù)。通過(guò)下列公式(6)來(lái)獲得更新后的獲勝神經(jīng)元mcnew=mcold+αt(xj-mcold)]]>αt=α0(1-tT)---(6)]]>其中，αt表示學(xué)習(xí)次數(shù)為t時(shí)的學(xué)習(xí)速率，t表示初始學(xué)習(xí)速率，mcnew表示更新后的獲勝神經(jīng)元，mcold表示更新前的獲勝神經(jīng)元，t表示當(dāng)前的學(xué)習(xí)次數(shù)，而T表示重復(fù)執(zhí)行學(xué)習(xí)的總次數(shù)。
(7)讀出下一個(gè)輸入數(shù)據(jù)集對(duì)于每個(gè)輸入數(shù)據(jù)集x1到xl重復(fù)執(zhí)行上述步驟(2)到(6)。
(8)開(kāi)始下一次重復(fù)學(xué)習(xí)重復(fù)執(zhí)行上述步驟(2)到(7)，直到被執(zhí)行的學(xué)習(xí)次數(shù)達(dá)到預(yù)設(shè)的重復(fù)學(xué)習(xí)次數(shù)T。此時(shí)，鄰域半徑Nct和學(xué)習(xí)速率αt逐漸遞減。
(9)刪除空閑神經(jīng)元和弱神經(jīng)元上述學(xué)習(xí)過(guò)程完成后，刪除從未成為獲勝神經(jīng)元的神經(jīng)元(稱為空閑神經(jīng)元)以及僅有幾次(小于一個(gè)預(yù)設(shè)次數(shù)，例如，僅表示一個(gè)或兩個(gè)輸入數(shù)據(jù)集的神經(jīng)元)成為獲勝神經(jīng)元的神經(jīng)元(稱為弱神經(jīng)元)。
如上所述，數(shù)據(jù)壓縮部分6把每個(gè)輸入數(shù)據(jù)集輸入到一個(gè)n維空間內(nèi)，隨機(jī)設(shè)置預(yù)定數(shù)量為k的神經(jīng)元，該數(shù)量遠(yuǎn)小于輸入數(shù)據(jù)集的數(shù)量I，并在神經(jīng)元上執(zhí)行神經(jīng)網(wǎng)絡(luò)的無(wú)監(jiān)督學(xué)習(xí)。當(dāng)學(xué)習(xí)過(guò)程結(jié)束后，數(shù)據(jù)壓縮部分6刪除空閑神經(jīng)元和弱神經(jīng)元，使得數(shù)量巨大的輸入數(shù)據(jù)集(即傳感器4檢測(cè)到的沒(méi)有經(jīng)過(guò)處理的原始數(shù)據(jù))可以用一個(gè)神經(jīng)元模型(神經(jīng)元設(shè)置)表示，此模型由預(yù)定數(shù)量為k或更少的神經(jīng)元構(gòu)成。例如，圖3示出了一個(gè)神經(jīng)元模型(其中已經(jīng)刪除了空閑神經(jīng)元和弱神經(jīng)元)，此模型是作為圖2所示的引擎速度和進(jìn)氣壓力的輸入數(shù)據(jù)集組的轉(zhuǎn)換結(jié)果而生成的，如圖3所示，數(shù)量巨大的輸入數(shù)據(jù)集通過(guò)數(shù)量遠(yuǎn)小于輸入數(shù)據(jù)集的神經(jīng)元來(lái)表示。換句話說(shuō)，通過(guò)把輸入數(shù)據(jù)集轉(zhuǎn)換為由表征神經(jīng)元模型的神經(jīng)元所擁有的參數(shù)(下文簡(jiǎn)稱為神經(jīng)元模型參數(shù))，數(shù)量巨大的輸入數(shù)據(jù)集被壓縮。刪除空閑神經(jīng)元和弱神經(jīng)元可以把輸入數(shù)據(jù)集壓縮成最集中表明輸入數(shù)據(jù)集特征的神經(jīng)元。
神經(jīng)元模型參數(shù)包括了刪除空閑神經(jīng)元和弱神經(jīng)元之后的神經(jīng)元所擁有的不同信息段，這些信息段是n維空間內(nèi)剩余神經(jīng)元的坐標(biāo)的數(shù)據(jù)、每個(gè)剩余神經(jīng)元到輸入數(shù)據(jù)集的平均距離、以及每個(gè)剩余神經(jīng)元所表示的數(shù)據(jù)集個(gè)數(shù)的權(quán)值。其結(jié)果是數(shù)量巨大的輸入數(shù)據(jù)集被壓縮成少量的神經(jīng)元模型參數(shù)，如下列公式(7)所示k0×(2n+1) (7)其中，k0表示在刪除了空閑神經(jīng)元和弱神經(jīng)元之后剩余神經(jīng)元的個(gè)數(shù)，n表示參數(shù)的個(gè)數(shù)。
換句話說(shuō)，數(shù)量巨大的輸入數(shù)據(jù)集被壓縮成“數(shù)量用k0來(lái)表示的神經(jīng)元模型參數(shù)(刪除空閑神經(jīng)元和弱神經(jīng)元之后剩余神經(jīng)元的個(gè)數(shù)，k0≤k)X[n(代表每個(gè)神經(jīng)元的坐標(biāo)分量的數(shù)據(jù)段的個(gè)數(shù)，此個(gè)數(shù)與傳感器4檢測(cè)到的參數(shù)個(gè)數(shù)n相等)+n(平均距離的數(shù)據(jù)段的個(gè)數(shù)，此個(gè)數(shù)與傳感器4檢測(cè)到的參數(shù)個(gè)數(shù)n相對(duì)應(yīng))+1(權(quán)值數(shù)據(jù)段的個(gè)數(shù))]”。
數(shù)據(jù)壓縮部分6對(duì)每個(gè)文件(即對(duì)于每個(gè)操作表盤)的原始數(shù)據(jù)進(jìn)行上述壓縮過(guò)程，隨后在存儲(chǔ)單元內(nèi)創(chuàng)建與每個(gè)文件相關(guān)的壓縮文件，把神經(jīng)元模型參數(shù)存儲(chǔ)在該壓縮文件內(nèi)。
發(fā)送部分7把通過(guò)數(shù)據(jù)壓縮部分6所創(chuàng)建的壓縮文件發(fā)送到一個(gè)外部單元。本實(shí)施例使用了天線將此文件以無(wú)線方式發(fā)送，當(dāng)然也可以通過(guò)通信電纜來(lái)發(fā)送此文件。
同時(shí)，管理中心內(nèi)的數(shù)據(jù)分析設(shè)備10主要包括一個(gè)接收部分(接收裝置)11，一個(gè)數(shù)據(jù)分析部分(分析裝置)12，以及一個(gè)判斷部分13。數(shù)據(jù)分析部分12和判斷部分13的功能通過(guò)安裝在計(jì)算機(jī)或類似設(shè)備(未示出)內(nèi)的ECU(電子控制單元)上的處理程序來(lái)實(shí)現(xiàn)。ECU包括一個(gè)輸入/輸出設(shè)備，一個(gè)存儲(chǔ)單元(一個(gè)存儲(chǔ)器例如RAM或ROM)，一個(gè)CPU(中央處理單元)以及其他單元。
接收部分11接收數(shù)據(jù)壓縮部分6發(fā)送的壓縮文件。接收到的壓縮文件被存儲(chǔ)到一個(gè)未示出的存儲(chǔ)單元中。
數(shù)據(jù)分析部分12根據(jù)在接收單元11中接收到的壓縮文件內(nèi)包括的神經(jīng)元模型參數(shù)來(lái)分析輸入數(shù)據(jù)集。本實(shí)施例中，數(shù)據(jù)分析部分12通過(guò)一些處理程序(數(shù)據(jù)分析程序)來(lái)實(shí)現(xiàn)，其將在下列兩種方法中的一種中描述。
(A)涉及權(quán)值的神經(jīng)元的動(dòng)態(tài)平均值數(shù)據(jù)分析部分12包括一個(gè)處理程序，其用于利用涉及權(quán)值的神經(jīng)元的動(dòng)態(tài)平均值進(jìn)行分析。處理程序執(zhí)行圖11中的流程步驟。具體地說(shuō)，首先該程序讀取與特定操作表盤相關(guān)的壓縮文件(步驟V10)，并選擇兩個(gè)任意的參數(shù)(例如，引擎速度和進(jìn)氣壓力)(步驟V20)。因?yàn)槊總€(gè)神經(jīng)元的數(shù)據(jù)包括每個(gè)參數(shù)的坐標(biāo)(即每個(gè)測(cè)量項(xiàng)目)、權(quán)值、以及平均距離，由此可以很容易地獲得這兩個(gè)任意參數(shù)之間的關(guān)系。接下來(lái)，使用包括在神經(jīng)元模型參數(shù)內(nèi)的神經(jīng)元坐標(biāo)數(shù)據(jù)和權(quán)值數(shù)據(jù)，該程序確定該神經(jīng)元的最大值RB和最小值LB，把該兩個(gè)任意參數(shù)的平面劃分成預(yù)定數(shù)量的區(qū)域(窗口)(步驟V30)，并考慮神經(jīng)元的權(quán)值來(lái)計(jì)算每個(gè)窗口的重心(Cx，Cy)(步驟V40)，如圖4所示。之后，該程序通過(guò)把窗口的重心連接起來(lái)，創(chuàng)建一個(gè)平均運(yùn)動(dòng)圖(步驟V50)。上述步驟V20到V50的流程步驟對(duì)于所有n維參數(shù)執(zhí)行(步驟V60)，然后對(duì)于與所有操作表盤相關(guān)的壓縮文件執(zhí)行上述從V20到V60的流程步驟(步驟V70)。每個(gè)重心用下列公式(8)計(jì)算CXj=Σi-1NjxijwijNj,CYj=Σi-1NjyijwijNj---(8)]]>其中，CXj表示第j個(gè)窗口內(nèi)參數(shù)X的重心，CYj表示第j個(gè)窗口內(nèi)參數(shù)Y的重心，j表示窗口的序號(hào)(j＝1，2，...，m)，xij和yij表示第j個(gè)窗口內(nèi)神經(jīng)元的坐標(biāo)，wij表示第j個(gè)窗口內(nèi)神經(jīng)元所擁有的權(quán)值，Nj表示第j個(gè)窗口內(nèi)設(shè)置的神經(jīng)元的個(gè)數(shù)。
數(shù)據(jù)分析部分12能夠在監(jiān)視器(輸出裝置)20上顯示通過(guò)上述方式創(chuàng)建的圖形。例如，圖5是一個(gè)示出了引擎速度和進(jìn)氣壓力之間關(guān)系的圖形，其通過(guò)考慮了神經(jīng)元權(quán)值的神經(jīng)元?jiǎng)討B(tài)平均值獲得。另外，圖5示出了輸入數(shù)據(jù)集(即原始數(shù)據(jù))的點(diǎn)和已經(jīng)學(xué)習(xí)后的神經(jīng)元的點(diǎn)。如圖5所示，通過(guò)使用神經(jīng)元的動(dòng)態(tài)平均值獲得的重心圖的形狀很類似于輸入數(shù)據(jù)集組(輸入數(shù)據(jù)集的分布)。作為比較，圖6示出了直接從輸入數(shù)據(jù)集獲得的動(dòng)態(tài)平均值的圖形。如果僅有幾個(gè)輸入數(shù)據(jù)集較遠(yuǎn)偏離輸入數(shù)據(jù)集組的區(qū)域，重心點(diǎn)會(huì)偏離輸入數(shù)據(jù)集組。比較圖5和6，通過(guò)考慮神經(jīng)元權(quán)值的神經(jīng)元的動(dòng)態(tài)平均值獲得的圖形(圖5)比起直接從輸入數(shù)據(jù)集獲取動(dòng)態(tài)平均值所創(chuàng)建的圖形(圖6)能夠更精確地再現(xiàn)輸入數(shù)據(jù)集的特性。
(B)輸入數(shù)據(jù)集的密度分布數(shù)據(jù)分析部分12內(nèi)保存了一個(gè)處理程序，其用于通過(guò)輸入數(shù)據(jù)集的密度分布來(lái)實(shí)現(xiàn)分析，該程序執(zhí)行圖12的流程步驟。具體地說(shuō)，首先，該程序讀取與特定操作程序相關(guān)的壓縮文件(步驟W10)，并選擇兩個(gè)任意的參數(shù)(例如，引擎速度和進(jìn)氣壓力)(步驟W20)。因?yàn)槿缟纤觯總€(gè)神經(jīng)元包括的數(shù)據(jù)有每個(gè)參數(shù)的坐標(biāo)(即每個(gè)測(cè)量項(xiàng)目)、權(quán)值、以及平均距離，可以很容易地獲得這兩個(gè)任意參數(shù)之間的關(guān)系。接下來(lái)，使用包括在神經(jīng)元模型參數(shù)內(nèi)的坐標(biāo)數(shù)據(jù)、平均距離數(shù)據(jù)和權(quán)值數(shù)據(jù)，該程序創(chuàng)建一個(gè)三維圖形(其中涉及引擎速度、進(jìn)氣壓力和輸入數(shù)據(jù)密度)(步驟W30)。圖7中，根據(jù)神經(jīng)元的坐標(biāo)數(shù)據(jù)獲得的神經(jīng)元位置與一個(gè)峰值位置(峰頂)相對(duì)應(yīng)，根據(jù)神經(jīng)元的權(quán)值數(shù)據(jù)獲得的神經(jīng)元權(quán)值與該峰值高度相對(duì)應(yīng)。根據(jù)神經(jīng)元的平均距離數(shù)據(jù)獲得的神經(jīng)元到輸入數(shù)據(jù)集的平均距離與相應(yīng)峰值傾斜面的梯度相對(duì)應(yīng)。例如，較大的平均距離(即，密度相對(duì)較低的輸入數(shù)據(jù)集靠近神經(jīng)元設(shè)置)使得相應(yīng)峰值的傾斜面的梯度較小(緩坡)。反過(guò)來(lái)，較小的平均距離(密度相對(duì)較高的輸入數(shù)據(jù)集靠近神經(jīng)元設(shè)置)使得峰值的傾斜面的梯度較大(陡坡)。上述包括步驟W20和W30的流程對(duì)于所有n個(gè)參數(shù)執(zhí)行(步驟W40)，上述包括步驟W20至W40的流程對(duì)于與所有操作表盤相關(guān)的壓縮文件執(zhí)行(步驟W50)。
數(shù)據(jù)分析部分12能夠在監(jiān)視器20上顯示以上述方式創(chuàng)建的圖形。
如上所述，數(shù)據(jù)分析部分12可采用上述兩種方法中的任一種方法來(lái)分析神經(jīng)元模型參數(shù)。上述說(shuō)明中是對(duì)引擎速度和進(jìn)氣壓力之間的關(guān)系進(jìn)行分析，但是也可以對(duì)每個(gè)操作表盤的所有參數(shù)的相關(guān)數(shù)據(jù)進(jìn)行分析。
判斷部分13根據(jù)數(shù)據(jù)分析部分12所創(chuàng)建的每個(gè)圖形(實(shí)際上根據(jù)所創(chuàng)建圖形的神經(jīng)元模型參數(shù)的每個(gè)數(shù)據(jù)段)對(duì)水力挖掘機(jī)2進(jìn)行診斷。例如，判斷部分13計(jì)算所創(chuàng)建的圖形和表示正常運(yùn)行特性的圖形的相似性，如果計(jì)算得到的相似性小于預(yù)設(shè)值(換句話說(shuō)，所創(chuàng)建的圖形偏離正常運(yùn)行圖形較遠(yuǎn))，就判定水力挖掘機(jī)2存在故障或缺陷。另外，如果水力挖掘機(jī)2存在故障，判斷部分13在監(jiān)視器20上向操作者顯示出故障提示。
此外，除了了解先前的維護(hù)歷史之外，引擎油和液壓設(shè)備油基于判斷標(biāo)準(zhǔn)的分析結(jié)果使得可以預(yù)測(cè)水力挖掘機(jī)2的故障出現(xiàn)、換油時(shí)機(jī)以及剩余壽命。
根據(jù)本實(shí)施例的數(shù)據(jù)管理系統(tǒng)1具有上述配置，并且數(shù)據(jù)壓縮和數(shù)據(jù)分析以圖8的流程圖所示的方式實(shí)現(xiàn)。首先，傳感器4檢測(cè)水力挖掘機(jī)2的參數(shù)的原始數(shù)據(jù)(輸入數(shù)據(jù)集)(步驟S10)，然后將原始數(shù)據(jù)進(jìn)行預(yù)處理(步驟S20)。之后，利用神經(jīng)元來(lái)壓縮原始數(shù)據(jù)(步驟S30)，壓縮文件形式的已壓縮數(shù)據(jù)(即神經(jīng)元模型參數(shù))被發(fā)送到管理中心(步驟S40)。在管理中心內(nèi)分析接收到的壓縮數(shù)據(jù)(步驟S50)，并且對(duì)水力挖掘機(jī)2是否存在故障(步驟S60)做出判斷。
如上所述，圖8的步驟S20由數(shù)據(jù)預(yù)處理部分5按照?qǐng)D9的流程圖執(zhí)行；圖8的步驟S30由數(shù)據(jù)壓縮部分6按照?qǐng)D10的流程圖執(zhí)行；且圖8的步驟S50由數(shù)據(jù)分析部分12按照?qǐng)D11和/或12的流程圖執(zhí)行。
如上所述，本實(shí)施例中的數(shù)據(jù)壓縮設(shè)備和方法能夠?qū)⒍鄠€(gè)輸入數(shù)據(jù)集(即原始數(shù)據(jù)，見(jiàn)圖2)壓縮成參數(shù)，其中每個(gè)數(shù)據(jù)集包括n個(gè)參數(shù)值(神經(jīng)元模型，見(jiàn)圖3)，其表征了由個(gè)數(shù)少于輸入數(shù)據(jù)集個(gè)數(shù)的神經(jīng)元而得到的一個(gè)神經(jīng)元模型，從而可降低通信成本。因?yàn)樵搲嚎s神經(jīng)元模型參數(shù)(壓縮數(shù)據(jù))表明了一個(gè)神經(jīng)元模型、即多個(gè)輸入數(shù)據(jù)集的特征，壓縮數(shù)據(jù)能夠精確地再現(xiàn)原始輸入數(shù)據(jù)集(即，原始數(shù)據(jù))的特性(見(jiàn)圖5和7)。
另外，本實(shí)施例中的數(shù)據(jù)壓縮設(shè)備和方法可以利用神經(jīng)元模型參數(shù)來(lái)分析原始的輸入數(shù)據(jù)集。在這種情況下，通過(guò)分析神經(jīng)元的動(dòng)態(tài)平均值(見(jiàn)圖5)或通過(guò)輸入數(shù)據(jù)集的密度分布(見(jiàn)圖7)，能夠?qū)λν诰驒C(jī)2做出診斷。
本發(fā)明的數(shù)據(jù)管理系統(tǒng)同時(shí)具有上述數(shù)據(jù)壓縮設(shè)備和數(shù)據(jù)分析設(shè)備的優(yōu)點(diǎn)。
本發(fā)明的一個(gè)實(shí)施例已如上所述，但本發(fā)明應(yīng)不僅局限于上述實(shí)施例，各種變化和修正也沒(méi)有偏離本發(fā)明的主旨。例如，本實(shí)施例中使用判斷部分13進(jìn)行診斷，但可選擇地，也可參照監(jiān)視器20上顯示的圖形的不同從視覺(jué)上做出診斷。而且，本實(shí)施例在監(jiān)視器20上顯示分析結(jié)果，但作為替換方式，分析結(jié)果可以由打印設(shè)備輸出，例如未示出的打印機(jī)，再由操作者做出診斷。
工業(yè)實(shí)用性由于能夠壓縮數(shù)量巨大的數(shù)據(jù)，并且已壓縮的數(shù)據(jù)能夠精確地再現(xiàn)原始數(shù)據(jù)的特性，本發(fā)明具有極高的實(shí)用性。
權(quán)利要求
1.一種數(shù)據(jù)壓縮設(shè)備，其包括用于檢測(cè)多個(gè)數(shù)據(jù)集的檢測(cè)裝置，每個(gè)數(shù)據(jù)集包括根據(jù)目標(biāo)運(yùn)行而變化的n個(gè)參數(shù)值，其中n是一個(gè)自然數(shù)；以及壓縮裝置，其用于通過(guò)把所述檢測(cè)裝置檢測(cè)到的多個(gè)數(shù)據(jù)集輸入到一個(gè)n維空間中，設(shè)置預(yù)定數(shù)量的神經(jīng)元，該數(shù)量小于n維空間內(nèi)的多個(gè)數(shù)據(jù)集的數(shù)量，在神經(jīng)元上執(zhí)行神經(jīng)網(wǎng)絡(luò)的無(wú)監(jiān)督學(xué)習(xí)以獲得一個(gè)神經(jīng)元模型，并利用多個(gè)數(shù)據(jù)集和神經(jīng)元模型來(lái)計(jì)算神經(jīng)元模型參數(shù)，從而對(duì)多個(gè)數(shù)據(jù)集進(jìn)行壓縮。
2.如權(quán)利要求1所述的數(shù)據(jù)壓縮設(shè)備，其中所述壓縮裝置對(duì)于多個(gè)數(shù)據(jù)集中的每個(gè)數(shù)據(jù)集把到所述多個(gè)數(shù)據(jù)集中的每個(gè)數(shù)據(jù)集距離最短的那個(gè)神經(jīng)元確定為獲勝神經(jīng)元；以及對(duì)于每個(gè)獲勝神經(jīng)元，所述神經(jīng)元模型參數(shù)包括表示每個(gè)獲勝神經(jīng)元坐標(biāo)的坐標(biāo)數(shù)據(jù)，表示每個(gè)所述獲勝神經(jīng)元到多個(gè)數(shù)據(jù)集的平均距離的平均距離數(shù)據(jù)，以及表示每個(gè)所述獲勝神經(jīng)元被確定為獲勝神經(jīng)元的次數(shù)的權(quán)值數(shù)據(jù)。
3.如權(quán)利要求2所述的數(shù)據(jù)壓縮設(shè)備，其中當(dāng)無(wú)監(jiān)督學(xué)習(xí)結(jié)束后，所述壓縮裝置刪除從未被確定為獲勝神經(jīng)元的一個(gè)或多個(gè)神經(jīng)元。
4.如權(quán)利要求1-3中任一項(xiàng)所述的數(shù)據(jù)壓縮設(shè)備，還包括用于將神經(jīng)元模型參數(shù)發(fā)送到一個(gè)外部單元的發(fā)送裝置。
5.一種數(shù)據(jù)分析設(shè)備，其包括接收裝置，其位于外部單元內(nèi)，用于接收從權(quán)利要求4所限定的數(shù)據(jù)壓縮設(shè)備的發(fā)送裝置所發(fā)送的神經(jīng)元模型參數(shù)；以及分析裝置，其用于根據(jù)由所述接收裝置接收到的神經(jīng)元模型參數(shù)對(duì)多個(gè)數(shù)據(jù)集進(jìn)行分析。
6.如權(quán)利要求5所述的數(shù)據(jù)分析設(shè)備，其中所述分析裝置通過(guò)根據(jù)包括在神經(jīng)元模型參數(shù)內(nèi)的坐標(biāo)數(shù)據(jù)和權(quán)值數(shù)據(jù)計(jì)算神經(jīng)元的動(dòng)態(tài)平均值來(lái)執(zhí)行分析過(guò)程。
7.如權(quán)利要求5所述的數(shù)據(jù)分析設(shè)備，其中所述分析裝置通過(guò)根據(jù)在神經(jīng)元模型參數(shù)內(nèi)的坐標(biāo)數(shù)據(jù)、平均距離數(shù)據(jù)和權(quán)值數(shù)據(jù)計(jì)算多個(gè)數(shù)據(jù)集的密度分布來(lái)執(zhí)行分析過(guò)程。
8.一種數(shù)據(jù)管理系統(tǒng)，其包括權(quán)利要求4中所限定的數(shù)據(jù)壓縮設(shè)備；以及權(quán)利要求5-7中任一項(xiàng)所限定的數(shù)據(jù)分析設(shè)備。
9.如權(quán)利要求8所述的數(shù)據(jù)管理系統(tǒng)，其中所述目標(biāo)是一個(gè)施工機(jī)械，并且n個(gè)參數(shù)值根據(jù)施工機(jī)械所執(zhí)行的操作而變化。
10.一種數(shù)據(jù)壓縮方法，其包括如下步驟檢測(cè)多個(gè)數(shù)據(jù)集，每個(gè)數(shù)據(jù)集包括根據(jù)目標(biāo)運(yùn)行而變化的n參數(shù)值，其中n是一個(gè)自然數(shù)；以及通過(guò)把所述檢測(cè)步驟的子步驟中檢測(cè)到的多個(gè)數(shù)據(jù)集輸入到一個(gè)n維空間中，在n維空間內(nèi)設(shè)置預(yù)定數(shù)量的神經(jīng)元，該數(shù)量小于n維空間內(nèi)的多個(gè)數(shù)據(jù)集的數(shù)量，在神經(jīng)元上執(zhí)行神經(jīng)網(wǎng)絡(luò)的無(wú)監(jiān)督學(xué)習(xí)以獲得一個(gè)神經(jīng)元模型，并利用多個(gè)數(shù)據(jù)集和神經(jīng)元模型來(lái)計(jì)算神經(jīng)元模型參數(shù)，從而對(duì)多個(gè)數(shù)據(jù)集進(jìn)行壓縮。
11.如權(quán)利要求10所述的數(shù)據(jù)壓縮方法，其中所述壓縮步驟包括一個(gè)子步驟，其中對(duì)于多個(gè)數(shù)據(jù)集中的每個(gè)數(shù)據(jù)集，將與所述多個(gè)數(shù)據(jù)集中的每個(gè)數(shù)據(jù)集距離最短的那個(gè)神經(jīng)元確定為獲勝神經(jīng)元；以及對(duì)于每個(gè)獲勝神經(jīng)元，神經(jīng)元模型參數(shù)包括表示每個(gè)獲勝神經(jīng)元坐標(biāo)的坐標(biāo)數(shù)據(jù)、表示每個(gè)所述獲勝神經(jīng)元到多個(gè)數(shù)據(jù)集的平均距離的平均距離數(shù)據(jù)，以及表示每個(gè)所述獲勝神經(jīng)元被確定為獲勝神經(jīng)元的次數(shù)的權(quán)值數(shù)據(jù)。
12.如權(quán)利要求11所述的數(shù)據(jù)壓縮方法，其中所述壓縮步驟還包括一個(gè)子步驟，其中刪除從未被確定為獲勝神經(jīng)元的一個(gè)或多個(gè)神經(jīng)元。
13.一種數(shù)據(jù)分析方法，其包括如下步驟獲取在權(quán)利要求12所限定的數(shù)據(jù)壓縮方法中得到的神經(jīng)元模型參數(shù)；以及根據(jù)在上述獲取步驟中得到的神經(jīng)元模型參數(shù)來(lái)分析多個(gè)數(shù)據(jù)集。
14.如權(quán)利要求13所述的數(shù)據(jù)壓縮方法，其中所述分析步驟是通過(guò)根據(jù)包括在神經(jīng)元模型參數(shù)內(nèi)的坐標(biāo)數(shù)據(jù)和權(quán)值數(shù)據(jù)計(jì)算神經(jīng)元的動(dòng)態(tài)平均值來(lái)執(zhí)行的。
15.如權(quán)利要求13所述的數(shù)據(jù)壓縮方法，其中所述分析步驟是通過(guò)根據(jù)包括在神經(jīng)元模型參數(shù)內(nèi)的坐標(biāo)數(shù)據(jù)、平均距離數(shù)據(jù)和權(quán)值數(shù)據(jù)計(jì)算神經(jīng)元的密度分布來(lái)執(zhí)行的。
全文摘要
一種數(shù)據(jù)壓縮設(shè)備和方法，一種數(shù)據(jù)分析設(shè)備和方法，以及一種數(shù)據(jù)管理系統(tǒng)，用于壓縮大量數(shù)據(jù)，并且從壓縮數(shù)據(jù)中更精確地再現(xiàn)原始數(shù)據(jù)的特性。該系統(tǒng)包括感測(cè)裝置4，其用于檢測(cè)多個(gè)數(shù)據(jù)集，每個(gè)數(shù)據(jù)集包括當(dāng)目標(biāo)運(yùn)動(dòng)時(shí)隨目標(biāo)運(yùn)動(dòng)而變化的n個(gè)參數(shù)值(n是一個(gè)自然數(shù))；還包括壓縮裝置(6)，其用于通過(guò)把感測(cè)裝置(4)檢測(cè)到的數(shù)據(jù)集輸入到一個(gè)n維空間中，設(shè)置預(yù)定數(shù)量的神經(jīng)元，該數(shù)量少于n維空間內(nèi)的數(shù)據(jù)集的數(shù)量，通過(guò)神經(jīng)網(wǎng)絡(luò)的無(wú)監(jiān)督學(xué)習(xí)方法使神經(jīng)元進(jìn)行學(xué)習(xí)，把數(shù)據(jù)集轉(zhuǎn)換成表示通過(guò)學(xué)習(xí)而得到的神經(jīng)元模型的特征的神經(jīng)元模型參數(shù)，從而對(duì)數(shù)據(jù)進(jìn)行壓縮。
文檔編號(hào)E02F9/20GK1981297SQ20058002120
公開(kāi)日2007年6月13日 申請(qǐng)日期2005年4月28日 優(yōu)先權(quán)日2004年6月25日
發(fā)明者甘喬·L·瓦琴高維, 小松孝二, 藤井敏, 室田功 申請(qǐng)人:新卡特彼勒三菱株式會(huì)社